Stable Diffusion V1.5

🚀 Stable Diffusion v1-5モデルカード

Stable Diffusionは、任意のテキスト入力を元に写真のようにリアルな画像を生成できる潜在的なテキストから画像への拡散モデルです。Stable Diffusionの機能の詳細については、🤗のStable Diffusionブログを参照してください。

🚀 クイックスタート

このモデルは、🧨DiffusersライブラリとRunwayML GitHubリポジトリの両方で使用できます。

Diffusers

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]  
    
image.save("astronaut_rides_horse.png")

より詳細な指示、ユースケース、およびJAXの例については、こちらの指示に従ってください。

オリジナルのGitHubリポジトリ

1. ウェイトをダウンロードします。
   • v1-5-pruned-emaonly.ckpt - 4.27GB、emaのみのウェイト。VRAMの使用量が少なく、推論に適しています。
   • v1-5-pruned.ckpt - 7.7GB、ema+非emaのウェイト。VRAMの使用量が多く、微調整に適しています。
2. こちらの指示に従ってください。

✨ 主な機能

Stable Diffusionは、テキストプロンプトに基づいて画像を生成および変更するために使用できるモデルです。これは、Latent Diffusion Modelであり、Imagen論文で提案されているように、固定された事前学習済みのテキストエンコーダー（CLIP ViT-L/14）を使用します。

📚 ドキュメント

モデルの詳細

@InProceedings{Rombach_2022_CVPR,
    author    = {Rombach, Robin and Blattmann, Andreas and Lorenz, Dominik and Esser, Patrick and Ommer, Bj"orn},
    title     = {High-Resolution Image Synthesis With Latent Diffusion Models},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2022},
    pages     = {10684-10695}
}

使用方法

直接使用

このモデルは研究目的のみを意図しています。可能な研究分野とタスクには以下が含まれます。

• 有害なコンテンツを生成する可能性のあるモデルの安全なデプロイ。
• 生成モデルの制限とバイアスの調査と理解。
• アートワークの生成とデザインやその他の芸術的プロセスでの使用。
• 教育または創造的なツールでのアプリケーション。
• 生成モデルに関する研究。

除外される使用法については以下で説明します。

誤用、悪意のある使用、および範囲外の使用

注: このセクションは、DALLE-MINIモデルカード から引用されていますが、Stable Diffusion v1にも同様に適用されます。

このモデルは、人々に敵対的または疎外感を与える環境を作り出す画像を意図的に作成または拡散するために使用してはなりません。これには、人々が予見できる不快感、苦痛、または不快感を感じる画像や、歴史的または現在のステレオタイプを広めるコンテンツの生成が含まれます。

範囲外の使用

このモデルは、人やイベントの事実的または真実の表現として訓練されていないため、このようなコンテンツを生成するためにモデルを使用することは、このモデルの能力の範囲外です。

誤用と悪意のある使用

このモデルを使用して、個人に残酷なコンテンツを生成することは、このモデルの誤用です。これには以下が含まれますが、これらに限定されません。

• 人やその環境、文化、宗教などの侮辱的、非人間的、またはその他の有害な表現の生成。
• 差別的なコンテンツまたは有害なステレオタイプの意図的な宣伝または拡散。
• 本人の同意なしでの個人のなりすまし。
• 見る人の同意なしの性的コンテンツ。
• 誤情報とディスインフォメーション。
• 重大な暴力とゴアの表現。
• 著作権またはライセンスされた素材の使用条件に違反した共有。
• 著作権またはライセンスされた素材の変更版の使用条件に違反した共有。

制限とバイアス

制限

• このモデルは完全な写真的リアリズムを達成しません。
• このモデルは読み取り可能なテキストをレンダリングできません。
• このモデルは、「青い球の上に赤い立方体」に対応する画像をレンダリングするなど、構成性を伴うより難しいタスクではうまく機能しません。
• 顔や人全体が適切に生成されない場合があります。
• このモデルは主に英語のキャプションで訓練されており、他の言語ではうまく機能しません。
• このモデルのオートエンコーディング部分は損失があります。
• このモデルは、成人向けの素材を含む大規模なデータセット LAION-5B で訓練されており、追加の安全メカニズムと考慮なしに製品で使用するには適していません。
• データセットの重複排除には追加の対策が使用されていません。その結果、訓練データで重複している画像についてある程度の記憶が見られます。訓練データは https://rom1504.github.io/clip-retrieval/ で検索でき、記憶された画像の検出に役立つ可能性があります。

バイアス

画像生成モデルの能力は印象的ですが、社会的バイアスを強化または悪化させる可能性もあります。Stable Diffusion v1は、LAION-2B(en) のサブセットで訓練されており、これは主に英語の説明に限定された画像で構成されています。他の言語を使用するコミュニティや文化のテキストと画像は、十分に考慮されていない可能性があります。これは、白人と西洋文化がしばしばデフォルトとして設定されるため、モデルの全体的な出力に影響を与えます。さらに、非英語のプロンプトでコンテンツを生成するモデルの能力は、英語のプロンプトと比較して大幅に劣ります。

安全モジュール

このモデルの意図された使用法は、Diffusersの Safety Checker を使用することです。このチェッカーは、モデルの出力を既知のハードコードされたNSFW概念と照合することで機能します。これらの概念は、このフィルターの逆エンジニアリングの可能性を減らすために意図的に隠されています。具体的には、チェッカーは画像の生成 後 に CLIPTextModel の埋め込み空間で有害な概念のクラス確率を比較します。これらの概念は、生成された画像とともにモデルに渡され、各NSFW概念に対する手動で設計された重みと比較されます。

トレーニング

トレーニングデータ

モデル開発者は、以下のデータセットをモデルのトレーニングに使用しました。

• LAION-2B (en) およびそのサブセット（次のセクションを参照）

トレーニング手順

Stable Diffusion v1-5は、オートエンコーダーと拡散モデルを組み合わせた潜在拡散モデルであり、拡散モデルはオートエンコーダーの潜在空間で訓練されます。トレーニング中は以下のようになります。

• 画像はエンコーダーを通じてエンコードされ、画像が潜在表現に変換されます。オートエンコーダーは相対的なダウンサンプリング係数8を使用し、形状が H x W x 3 の画像を形状が H/f x W/f x 4 の潜在表現にマッピングします。
• テキストプロンプトはViT-L/14テキストエンコーダーを通じてエンコードされます。
• テキストエンコーダーの非プール出力は、クロスアテンションを介して潜在拡散モデルのUNetバックボーンに供給されます。
• 損失は、潜在表現に追加されたノイズとUNetによる予測との間の再構成目的です。

現在、6つのStable Diffusionチェックポイントが提供されており、以下のように訓練されています。

• stable-diffusion-v1-1: laion2B-en で解像度 256x256 で237,000ステップ。laion-high-resolution （LAION-5Bからの解像度 >= 1024x1024 の170Mの例）で解像度 512x512 で194,000ステップ。

• stable-diffusion-v1-2: stable-diffusion-v1-1 から再開。"laion-improved-aesthetics"（laion2B-enのサブセットで、元のサイズ >= 512x512、推定美観スコア > 5.0、推定ウォーターマーク確率 < 0.5 の画像にフィルタリングされたもの。ウォーターマークの推定はLAION-5Bのメタデータから、美観スコアは 改良された美観推定器 を使用して推定されます）で解像度 512x512 で515,000ステップ。

• stable-diffusion-v1-3: stable-diffusion-v1-2 から再開 - "laion-improved-aesthetics" で解像度 512x512 で195,000ステップ、および classifier-free guidance sampling を改善するためにテキストコンディショニングの10%をドロップ。

• stable-diffusion-v1-4 stable-diffusion-v1-2 から再開 - "laion-aesthetics v2 5+" で解像度 512x512 で225,000ステップ、および classifier-free guidance sampling を改善するためにテキストコンディショニングの10%をドロップ。

• stable-diffusion-v1-5 stable-diffusion-v1-2 から再開 - "laion-aesthetics v2 5+" で解像度 512x512 で595,000ステップ、および classifier-free guidance sampling を改善するためにテキストコンディショニングの10%をドロップ。

• stable-diffusion-inpainting stable-diffusion-v1-5 から再開 - その後、"laion-aesthetics v2 5+" で解像度512x512で440,000ステップのインペイントトレーニング、およびテキストコンディショニングの10%をドロップ。インペイントの場合、UNetには5つの追加の入力チャネル（エンコードされたマスク画像用の4つとマスク自体用の1つ）があり、その重みは非インペイントチェックポイントを復元した後にゼロ初期化されました。トレーニング中、合成マスクを生成し、25%のマスクですべてをマスクします。

• ハードウェア: 32 x 8 x A100 GPU

• オプティマイザー: AdamW

• 勾配蓄積: 2

• バッチ: 32 x 8 x 2 x 4 = 2048

• 学習率: 10,000ステップで0.0001までウォームアップし、その後一定に保ちます。

評価結果

異なる分類器フリーガイダンススケール（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）と50 PNDM/PLMSサンプリングステップを使用した評価は、チェックポイントの相対的な改善を示しています。

50 PLMSステップとCOCO2017検証セットからの10000のランダムなプロンプトを使用して評価され、解像度512x512で評価されました。FIDスコアに最適化されていません。

環境への影響

Stable Diffusion v1 推定排出量

この情報に基づいて、Lacoste et al. (2019) で提示された Machine Learning Impact calculator を使用して、以下のCO2排出量を推定しています。ハードウェア、ランタイム、クラウドプロバイダー、およびコンピュートリージョンは、炭素影響を推定するために利用されました。

• ハードウェアタイプ: A100 PCIe 40GB
• 使用時間: 150000時間
• クラウドプロバイダー: AWS
• コンピュートリージョン: US-east
• 排出された炭素（電力消費 x 時間 x 電力網の位置に基づく炭素排出量）: 11250 kg CO2 eq.

引用

    @InProceedings{Rombach_2022_CVPR,
        author    = {Rombach, Robin and Blattmann, Andreas and Lorenz, Dominik and Esser, Patrick and Ommer, Bj\"orn},
        title     = {High-Resolution Image Synthesis With Latent Diffusion Models},
        booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
        month     = {June},
        year      = {2022},
        pages     = {10684-10695}
    }

このモデルカードは、Robin RombachとPatrick Esserによって作成され、DALL-E Miniモデルカード に基づいています。